분당서울대병원은 호흡기내과 임성윤·가정의학과 정세영 교수 연구팀이 중증 급성 호흡부전 환자의 에크모(체외막산소공급장치)를 적용함에 있어 머신러닝으로 사망률을 예측하는 모델을 개발했다고 7일 밝혔다.
에크모는 심장과 폐의 기능을 대신해서 혈액을 환자 몸에서 빼내 체외 산화장치에서 산소를 혈액에 주입하는 동시에 혈액에 있는 이산화탄소를 제거하고 다시 환자의 몸 속으로 돌려보내는 생명유지 장치이다.
특히 에크모는 중증 급성 호흡부전 환자에게 중요한 치료방법으로 여겨지지만 에크모 치료에도 불구하고 사망률은 60% 이상으로 높은 편이다. 에크모 치료 진행 시 사망률을 보다 정확하게 예측할 수 있다면 의료 자원을 효율적으로 사용할 수 있고 에크모를 써도 생존율이 매우 낮은 환자의 경우 위험한 부작용을 감수하지 않아도 된다. 하지만 현재 임상 현장에는 사망 가능성이 높을 것으로 예상되는 환자가 있어도 이들에게 에크모 적용여부를 판단하는 표준화된 가이드라인은 없는 상황이다.
이에 연구팀은 2012년부터 2015년까지 전국 16개 3차 병원에서 에크모 치료를 받은 급성 호흡부전 환자 368명의 다양한 생체 신호 및 임상데이터에 기계 학습(머신러닝) 기법을 적용해 90일 이내 사망률을 예측하는 '익스트림 그라디언트 부스팅(XGB)'과 '라이트 그라디언트 부스팅(LGB)'을 개발했다. 연구에 사용된 데이터는 전자건강기록(EHR) 시스템에서 수집한 40가지 특성이다.
연구팀은 이번 예측 모델의 성능 평가를 위해 내·외부 검증을 통해 기존 에크모 생존 예측 모델 RESP, PRESERVE와 비교했다. 평가 지표는 AUROC(수신자 조작 특성 곡선 아래의 면적)를 사용했다. AUROC는 어떤 질환을 진단하기 위한 특정 검사도구의 진단정확도를 나타내는 통계 기법으로 인공지능 러닝 모델의 성능평가 지표로 주로 사용된다.
연구 결과 90일 사망률 예측 성능에서 AUROC 수치가 '익스트림 그라디언트 부스팅(XGB)' 모델은 0.82, '라이트 그라디언트 부스팅(LGB)' 모델은 0.81로 기존 모델인 RESP(0.66), PRESERVE(0.71)보다 높은 점수를 나타냈다. 외부 검증에서도 '익스트림 그라디언트 부스팅(XGB)'모델이 0.75로 RESP(0.70), PRESERVE(0.67) 모델보다 높은 성능을 나타냈다.
정세영 분당서울대병원 가정의학과 교수는 “중증의 급성 호흡부전 환자에서 에크모 치료 적용에 대한 기계학습 모델 연구는 이 분야에서 최초로 시행된 연구”라고 말했다.
이번 연구는 호흡기 및 폐질환 분야 저널 'BMJ respiratory research'에 게재됐다.
정용철 기자 jungyc@etnews.com
